一种供冷系统多机组协同优化方法及装置

1.本发明涉及仿真控制技术领域，具体涉及一种供冷系统多机组协同优化方法及装置。


背景技术：

2.电力工业数据中心是电网公司对电网运行过程中产生的不同形式数据进行统一管理、应用的枢纽。随着我国电网精益化管理理念的不断推进，数据中心在电网公司的发展决策、资源调度、服务供应等运营环节中起到了举足轻重的作用。
3.数据中心供冷方面，数据中心供冷能耗一般占到总能耗的40％，然而由于数据中心负荷分布不均匀、变化快，为了保证服务器等计算资源设备运行在限定温度范围内，供冷温度设定较低，存在过供冷的现象，导致供冷设备运行效率低下，耗电量居高不下。
4.在迄今为止的供冷控制方案中，主要是规则的模态控制。这种控制方法预先设定几个不同的控制模态，在运行时通过判定温度、时间等参数的范围来实现模态切换。然而，这种控制算法较为死板，无法实现较高精度的需求导向控制，并且难以适应状况复杂的负荷变化。国家电网精益化管理对数据中心管理设立了多元化目标，如需求响应、余热回收等。而在优化目标方面，已有的研究往往仅局限于低能耗这一单一目标。数据中心精准供冷的实现有赖于各种制冷设备与辅助设备的协同运行，而已有模型中受控设备的范围都比较有限。如果将原有的仿真策略直接应用于复杂度远甚的精准供冷模型，则可能出现严重的约束越界问题。


技术实现要素：

5.为了克服上述缺陷，本发明提出了一种供冷系统多机组协同优化方法及装置。
6.第一方面，提供一种供冷系统多机组协同优化方法，所述供冷系统多机组协同优化方法包括：
7.步骤s101采用目标优化算法求解预先构建的供冷系统功耗优化模型，得到供冷系统控制参数；
8.步骤s102将所述供冷系统控制参数输入至预先构建的第一神经网络，得到第一神经网络输出的供冷系统约束判定结果，若供冷系统满足预设约束，则执行步骤s103，否则，返回步骤s101；
9.步骤s103将所述供冷系统控制参数输入至预先构建的第二神经网络，得到第二神经网络输出的供冷系统损耗预测值；
10.步骤s104若所述供冷系统损耗预测值小于当前供冷系统损耗，则将所述供冷系统控制参数作为仿真控制参数对供冷系统进行仿真，得到供冷系统的仿真损耗，并执行步骤s105，否则，返回步骤s101；
11.步骤s105若所述供冷系统的仿真损耗小于当前供冷系统损耗，则利用所述供冷系统控制参数对供冷系统进行调控后执行步骤s106，否则，执行步骤s101；
12.步骤s106判断当前迭代次数是否达到预设迭代次数，若是，则结束操作，否则，返回步骤s101。
13.优选的，所述供冷系统控制参数包括下述中的至少一种：冷却塔风扇转速与启停控制、冷却器流量及启停控制、节能器启停控制、制冷机流量与启停控制、各制冷机水泵启停控制。
14.优选的，所述目标优化算法包括下述中的至少一种：粒子群算法、遗传算法、差分进化算法。
15.优选的，所述预先构建的供冷系统功耗优化模型包括：
16.以供冷系统功耗最小为目标的目标函数以及为供冷系统多机组协同优化配置的约束条件。
17.进一步的，所述目标函数的计算式如下：
18.minf＝e*pue w
·
t
19.上式中，f为供冷系统功耗，e为供冷系统内各制冷设备总功耗，pue为供冷系统能源效率，w为t对应的温差惩罚矩阵，t为供冷系统室内温度与目标温度差值的绝对值。
20.进一步的，所述约束条件的数学模型如下：
21.w
·
t＝w
室
·
t
室
w
节
·
t
节
w
冷
·
t
冷
22.pue＝(pc p
it
p
it
po)/p
it
23.上式中，w
室
为t
室
对应的温差惩罚矩阵，t
室
为室内温度与室内目标温度差值的绝对值，w
节
为t
节
对应的温差惩罚矩阵，t
节
为节能器回水口温度与节能器回水口目标温度差值的绝对值，w
冷
为t
冷
对应的温差惩罚矩阵，t
冷
为冷却器回水口温度与冷却器回水目标温度差值的绝对值，pc为冷却系统功耗，p
it
为网络设备功耗，po为配电设备功耗。
24.进一步的，所述t
室
对应的温差惩罚矩阵满足下式：
[0025][0026]
所述t
节
对应的温差惩罚矩阵满足下式：
[0027][0028]
所述t
冷
对应的温差惩罚矩阵满足下式：
[0029][0030]
优选的，所述预先构建的第一神经网络的获取过程包括：
[0031]
将供冷系统历史控制参数作为初始attention-lstm网络输入层训练数据，将供冷系统约束判定结果作为初始attention-lstm网络输出层训练数据，对初始attention-lstm网络进行训练，得到所述预先构建的第一神经网络。
[0032]
优选的，所述预设约束包括下述中的至少一种：节能器或制冷机的出水口温度应小于403.15k，节能器或制冷机的入水口的压力与流量应为正数，水泵的单位时间总流量不
超过当前储水装置的总水量，节能器或制冷机的水流量不超过标定上限值，风扇转速不超过标定值。
[0033]
优选的，所述预先构建的第二神经网络的获取过程包括：
[0034]
将供冷系统历史控制参数作为初始attention-tcn网络输入层训练数据，将供冷系统损耗作为初始attention-tcn网络输出层训练数据，对初始attention-tcn网络进行训练，得到所述预先构建的第二神经网络。
[0035]
第二方面，提供一种供冷系统多机组协同优化装置，所述供冷系统多机组协同优化装置包括：
[0036]
生成模块，用于采用目标优化算法求解预先构建的供冷系统功耗优化模型，得到供冷系统控制参数；
[0037]
第一判断模块，用于将所述供冷系统控制参数输入至预先构建的第一神经网络，得到第一神经网络输出的供冷系统约束判定结果，若供冷系统满足预设约束，则执行预测模块，否则，返回生成模块；
[0038]
预测模块，用于将所述供冷系统控制参数输入至预先构建的第二神经网络，得到第二神经网络输出的供冷系统损耗预测值；
[0039]
第二判断模块，用于若所述供冷系统损耗预测值小于当前供冷系统损耗，则将所述供冷系统控制参数作为仿真控制参数对供冷系统进行仿真，得到供冷系统的仿真损耗，并执行第三判断模块，否则，返回生成模块；
[0040]
第三判断模块，用于若所述供冷系统的仿真损耗小于当前供冷系统损耗，则利用所述供冷系统控制参数对供冷系统进行调控后执行第四判断模块，否则，执行第四判断模块；
[0041]
第四判断模块，用于判断当前迭代次数是否达到预设迭代次数，若是，则结束操作，否则，返回生成模块。
[0042]
优选的，所述供冷系统控制参数包括下述中的至少一种：冷却塔风扇转速与启停控制、冷却器流量及启停控制、节能器启停控制、制冷机流量与启停控制、各制冷机水泵启停控制。
[0043]
优选的，所述目标优化算法包括下述中的至少一种：粒子群算法、遗传算法、差分进化算法。
[0044]
优选的，所述预先构建的供冷系统功耗优化模型包括：
[0045]
以供冷系统功耗最小为目标的目标函数以及为供冷系统多机组协同优化配置的约束条件。
[0046]
进一步的，所述目标函数的计算式如下：
[0047]
minf＝e*pue w
·
t
[0048]
上式中，f为供冷系统功耗，e为供冷系统内各制冷设备总功耗，pue为供冷系统能源效率，w为t对应的温差惩罚矩阵，t为供冷系统室内温度与目标温度差值的绝对值。
[0049]
进一步的，所述约束条件的数学模型如下：
[0050]w·
t＝w
室
·
t
室
w
节
·
t
节
w
冷
·
t
冷
[0051]
pue＝(pc p
it
po)/p
it
[0052]
上式中，w
室
为t
室
对应的温差惩罚矩阵，t
室
为室内温度与室内目标温度差值的绝对
值，w
节
为t
节
对应的温差惩罚矩阵，t
节
为节能器回水口温度与节能器回水口目标温度差值的绝对值，w
冷
为t
冷
对应的温差惩罚矩阵，t
冷
为冷却器回水口温度与冷却器回水目标温度差值的绝对值，pc为冷却系统功耗，p
it
为网络设备功耗，po为配电设备功耗。
[0053]
进一步的，所述t
室
对应的温差惩罚矩阵满足下式：
[0054][0055]
所述t
节
对应的温差惩罚矩阵满足下式：
[0056][0057]
所述t
冷
对应的温差惩罚矩阵满足下式：
[0058][0059]
优选的，所述预先构建的第一神经网络的获取过程包括：
[0060]
将供冷系统历史控制参数作为初始attention-lstm网络输入层训练数据，将供冷系统约束判定结果作为初始attention-lstm网络输出层训练数据，对初始attention-lstm网络进行训练，得到所述预先构建的第一神经网络。
[0061]
优选的，所述预设约束包括下述中的至少一种：节能器或制冷机的出水口温度应小于403.15k，节能器或制冷机的入水口的压力与流量应为正数，水泵的单位时间总流量不超过当前储水装置的总水量，节能器或制冷机的水流量不超过标定上限值，风扇转速不超过标定值。
[0062]
优选的，所述预先构建的第二神经网络的获取过程包括：
[0063]
将供冷系统历史控制参数作为初始attention-tcn网络输入层训练数据，将供冷系统损耗作为初始attention-tcn网络输出层训练数据，对初始attention-tcn网络进行训练，得到所述预先构建的第二神经网络。
[0064]
第三方面，提供一种计算机设备，包括：一个或多个处理器；
[0065]
所述处理器，用于存储一个或多个程序；
[0066]
当所述一个或多个程序被所述一个或多个处理器执行时，实现所述的供冷系统多机组协同优化方法。
[0067]
第四方面，提供一种计算机可读存储介质，其上存有计算机程序，所述计算机程序被执行时，实现所述的供冷系统多机组协同优化方法。
[0068]
本发明上述一个或多个技术方案，至少具有如下一种或多种有益效果：
[0069]
本发明提供了一种供冷系统多机组协同优化方法及装置，所述方法包括：步骤s101采用目标优化算法求解预先构建的供冷系统功耗优化模型，得到供冷系统控制参数；步骤s102将所述供冷系统控制参数输入至预先构建的第一神经网络，得到第一神经网络输出的供冷系统约束判定结果，若供冷系统满足预设约束，则执行步骤s103，否则，返回步骤s101；步骤s103将所述供冷系统控制参数输入至预先构建的第二神经网络，得到第二神经
网络输出的供冷系统损耗预测值；步骤s104若所述供冷系统损耗预测值小于当前供冷系统损耗，则将所述供冷系统控制参数作为仿真控制参数对供冷系统进行仿真，得到供冷系统的仿真损耗，并执行步骤s105，否则，返回步骤s101；步骤s105若所述供冷系统的仿真损耗小于当前供冷系统损耗，则利用所述供冷系统控制参数对供冷系统进行调控后执行步骤s106，否则，执行步骤s101；步骤s106判断当前迭代次数是否达到预设迭代次数，若是，则结束操作，否则，返回步骤s101。与现有技术相比，本发明提供的技术方案具有高适配性、高精度、低能耗的优点。对于不同的数据中心，可以根据具体的环境参数、制冷设备及制冷设备参数进行模拟仿真。具体的：
[0070]
(1)采用目标优化算法拟合仿真制冷机组在一段时间内的最优制冷参数，从而降低能耗；(2)采用仿真模拟大量不同条件下的制冷数据，训练深度学习网络，提升制冷效果与能耗预测的精度。(3)可以修改制冷机组等设备的参数与数量，模拟不同情况下的数据中心制冷情况。
附图说明
[0071]
图1是本发明实施例的供冷系统多机组协同优化方法的主要步骤流程示意图；
[0072]
图2是本发明实施例的24小时仿真未优化结果图；
[0073]
图3是本发明实施例的24小时仿真优化结果图；
[0074]
图4是本发明实施例的供冷系统多机组协同优化装置的主要结构框图。
具体实施方式
[0075]
下面结合附图对本发明的具体实施方式作进一步的详细说明。
[0076]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
[0077]
如背景技术中所公开的，在迄今为止的供冷控制方案中，主要是规则的模态控制。这种控制方法预先设定几个不同的控制模态，在运行时通过判定温度、时间等参数的范围来实现模态切换。然而，这种控制算法较为死板，无法实现较高精度的需求导向控制，并且难以适应状况复杂的负荷变化。国家电网精益化管理对数据中心管理设立了多元化目标，如需求响应、余热回收等。而在优化目标方面，已有的研究往往仅局限于低能耗这一单一目标。数据中心精准供冷的实现有赖于各种制冷设备与辅助设备的协同运行，而已有模型中受控设备的范围都比较有限。如果将原有的仿真策略直接应用于复杂度远甚的精准供冷模型，则可能出现严重的约束越界问题。
[0078]
为了改善上述问题，本发明提供的一种供冷系统多机组协同优化方法及装置，所述方法包括：步骤s101采用目标优化算法求解预先构建的供冷系统功耗优化模型，得到供冷系统控制参数；步骤s102将所述供冷系统控制参数输入至预先构建的第一神经网络，得到第一神经网络输出的供冷系统约束判定结果，若供冷系统满足预设约束，则执行步骤s103，否则，返回步骤s101；步骤s103将所述供冷系统控制参数输入至预先构建的第二神经网络，得到第二神经网络输出的供冷系统损耗预测值；步骤s104若所述供冷系统损耗预测
值小于当前供冷系统损耗，则将所述供冷系统控制参数作为仿真控制参数对供冷系统进行仿真，得到供冷系统的仿真损耗，并执行步骤s105，否则，返回步骤s101；步骤s105若所述供冷系统的仿真损耗小于当前供冷系统损耗，则利用所述供冷系统控制参数对供冷系统进行调控后执行步骤s106，否则，执行步骤s101；步骤s106判断当前迭代次数是否达到预设迭代次数，若是，则结束操作，否则，返回步骤s101。与现有技术相比，本发明提供的技术方案具有高适配性、高精度、低能耗的优点。对于不同的数据中心，可以根据具体的环境参数、制冷设备及制冷设备参数进行模拟仿真。具体的：
[0079]
(1)采用目标优化算法拟合仿真制冷机组在一段时间内的最优制冷参数，从而降低能耗；(2)采用仿真模拟大量不同条件下的制冷数据，训练深度学习网络，提升制冷效果与能耗预测的精度。(3)可以修改制冷机组等设备的参数与数量，模拟不同情况下的数据中心制冷情况。下面对上述方案进行详细阐述。
[0080]
实施例1
[0081]
参阅附图1，图1是本发明的一个实施例的供冷系统多机组协同优化方法的主要步骤流程示意图。如图1所示，本发明实施例中的供冷系统多机组协同优化方法主要包括以下步骤：
[0082]
步骤s101采用目标优化算法求解预先构建的供冷系统功耗优化模型，得到供冷系统控制参数；
[0083]
步骤s102将所述供冷系统控制参数输入至预先构建的第一神经网络，得到第一神经网络输出的供冷系统约束判定结果，若供冷系统满足预设约束，则执行步骤s103，否则，返回步骤s101；
[0084]
步骤s103将所述供冷系统控制参数输入至预先构建的第二神经网络，得到第二神经网络输出的供冷系统损耗预测值；
[0085]
步骤s104若所述供冷系统损耗预测值小于当前供冷系统损耗，则将所述供冷系统控制参数作为仿真控制参数对供冷系统进行仿真，得到供冷系统的仿真损耗，并执行步骤s105，否则，返回步骤s101；
[0086]
步骤s105若所述供冷系统的仿真损耗小于当前供冷系统损耗，则利用所述供冷系统控制参数对供冷系统进行调控后执行步骤s106，否则，执行步骤s101；
[0087]
步骤s106判断当前迭代次数是否达到预设迭代次数，若是，则结束操作，否则，返回步骤s101。
[0088]
其中，所述供冷系统控制参数包括下述中的至少一种：冷却塔风扇转速与启停控制、冷却器流量及启停控制、节能器启停控制、制冷机流量与启停控制、各制冷机水泵启停控制。所述目标优化算法包括下述中的至少一种：粒子群算法、遗传算法、差分进化算法。
[0089]
本实施例中，所述预先构建的供冷系统功耗优化模型包括：
[0090]
以供冷系统功耗最小为目标的目标函数以及为供冷系统多机组协同优化配置的约束条件。
[0091]
在一个实施方式中，所述目标函数的计算式如下：
[0092]
minf＝e*pue w
·
t
[0093]
上式中，f为供冷系统功耗，e为供冷系统内各制冷设备总功耗，pue为供冷系统能源效率，w为t对应的温差惩罚矩阵，t为供冷系统室内温度与目标温度差值的绝对值。
[0094]
在一个实施方式中，所述约束条件的数学模型如下：
[0095]w·
t＝w
室
·
t
室
w
节
·
t
节
w
冷
·
t
冷
[0096]
pue＝(pc p
it
po)/p
it
[0097]
上式中，w
室
为t
室
对应的温差惩罚矩阵，t
室
为室内温度与室内目标温度差值的绝对值，w
节
为t
节
对应的温差惩罚矩阵，t
节
为节能器回水口温度与节能器回水口目标温度差值的绝对值，w
冷
为t
冷
对应的温差惩罚矩阵，t
冷
为冷却器回水口温度与冷却器回水目标温度差值的绝对值，pc为冷却系统功耗，p
it
为网络设备功耗，po为配电设备功耗。
[0098]
其中，所述t
室
对应的温差惩罚矩阵满足下式：
[0099][0100]
所述t
节
对应的温差惩罚矩阵满足下式：
[0101][0102]
所述t
冷
对应的温差惩罚矩阵满足下式：
[0103][0104]
本实施例中，所述预先构建的第一神经网络的获取过程包括：
[0105]
将供冷系统历史控制参数作为初始attention-lstm网络输入层训练数据，将供冷系统约束判定结果作为初始attention-lstm网络输出层训练数据，对初始attention-lstm网络进行训练，得到所述预先构建的第一神经网络。
[0106]
其中，所述预设约束包括下述中的至少一种：节能器或制冷机的出水口温度应小于403.15k，节能器或制冷机的入水口的压力与流量应为正数，水泵的单位时间总流量不超过当前储水装置的总水量，节能器或制冷机的水流量不超过标定上限值，风扇转速不超过标定值。
[0107]
本实施例中，所述预先构建的第二神经网络的获取过程包括：
[0108]
将供冷系统历史控制参数作为初始attention-tcn网络输入层训练数据，将供冷系统损耗作为初始attention-tcn网络输出层训练数据，对初始attention-tcn网络进行训练，得到所述预先构建的第二神经网络。
[0109]
在一个最优的实施方式中，建立一个双制冷机、双冷却塔、双节能器作为制冷系统的数据中心进行仿真，以贪婪决策对输入的控制参数进行仿真，选择当前多目标最优值参数予以保留，累计当前的数据中心总功耗值并继续选择参数仿真下一时间段的控制参数。
[0110]
算法流程图参考图1，对无法求得最优解的时段进行换选包括当前时段的长时段重算，通过可选择的粒子群算法、遗传算法、差分进化算法以低pue、数据中心室内温度处于控制上下限内、冷却系统低功耗作为多目标优化目标进行制冷机组出力参数生成，通过attention-lstm-tcn算法进行快速求解，对低功耗的制冷机组出力参数进行fmu仿真并更新当前时间的机组出力参数，最终得出10分钟粒度的供冷系统多机组设备控制策略。
[0111]
优化结果如图2、图3所示，图2为未优化算例经过24小时仿真结果，总耗电量为668千瓦时，图3为优化的24小时仿真结果，总耗电量为355千瓦时。经过算法仿真优化，在相同环境条件下节省了46％电能消耗，同时室内温度曲线更平滑。
[0112]
实施例2
[0113]
基于同一种发明构思，本发明还提供了一种供冷系统多机组协同优化装置，如图4所示，所述供冷系统多机组协同优化装置包括：
[0114]
生成模块，用于采用目标优化算法求解预先构建的供冷系统功耗优化模型，得到供冷系统控制参数；
[0115]
第一判断模块，用于将所述供冷系统控制参数输入至预先构建的第一神经网络，得到第一神经网络输出的供冷系统约束判定结果，若供冷系统满足预设约束，则执行预测模块，否则，返回生成模块；
[0116]
预测模块，用于将所述供冷系统控制参数输入至预先构建的第二神经网络，得到第二神经网络输出的供冷系统损耗预测值；
[0117]
第二判断模块，用于若所述供冷系统损耗预测值小于当前供冷系统损耗，则将所述供冷系统控制参数作为仿真控制参数对供冷系统进行仿真，得到供冷系统的仿真损耗，并执行第三判断模块，否则，返回生成模块；
[0118]
第三判断模块，用于若所述供冷系统的仿真损耗小于当前供冷系统损耗，则利用所述供冷系统控制参数对供冷系统进行调控后执行第四判断模块，否则，执行第四判断模块；
[0119]
第四判断模块，用于判断当前迭代次数是否达到预设迭代次数，若是，则结束操作，否则，返回生成模块。
[0120]
优选的，所述供冷系统控制参数包括下述中的至少一种：冷却塔风扇转速与启停控制、冷却器流量及启停控制、节能器启停控制、制冷机流量与启停控制、各制冷机水泵启停控制。
[0121]
优选的，所述目标优化算法包括下述中的至少一种：粒子群算法、遗传算法、差分进化算法。
[0122]
优选的，所述预先构建的供冷系统功耗优化模型包括：
[0123]
以供冷系统功耗最小为目标的目标函数以及为供冷系统多机组协同优化配置的约束条件。
[0124]
进一步的，所述目标函数的计算式如下：
[0125]
minf＝e*pue w
·
t
[0126]
上式中，f为供冷系统功耗，e为供冷系统内各制冷设备总功耗，pue为供冷系统能源效率，w为t对应的温差惩罚矩阵，t为供冷系统室内温度与目标温度差值的绝对值。
[0127]
进一步的，所述约束条件的数学模型如下：
[0128]w·
t＝w
室
·
t
室
w
节
·
t
节
w
冷
·
t
冷
[0129]
pue＝(pc p
it
po)/p
it
[0130]
上式中，w
室
为t
室
对应的温差惩罚矩阵，t
室
为室内温度与室内目标温度差值的绝对值，w
节
为t
节
对应的温差惩罚矩阵，t
节
为节能器回水口温度与节能器回水口目标温度差值的绝对值，w
冷
为t
冷
对应的温差惩罚矩阵，t
冷
为冷却器回水口温度与冷却器回水目标温度差值
的绝对值，pc为冷却系统功耗，p
it
为网络设备功耗，po为配电设备功耗。
[0131]
进一步的，所述t
室
对应的温差惩罚矩阵满足下式：
[0132][0133]
所述t
节
对应的温差惩罚矩阵满足下式：
[0134][0135]
所述t
冷
对应的温差惩罚矩阵满足下式：
[0136][0137]
优选的，所述预先构建的第一神经网络的获取过程包括：
[0138]
将供冷系统历史控制参数作为初始attention-lstm网络输入层训练数据，将供冷系统约束判定结果作为初始attention-lstm网络输出层训练数据，对初始attention-lstm网络进行训练，得到所述预先构建的第一神经网络。
[0139]
优选的，所述预设约束包括下述中的至少一种：节能器或制冷机的出水口温度应小于403.15k，节能器或制冷机的入水口的压力与流量应为正数，水泵的单位时间总流量不超过当前储水装置的总水量，节能器或制冷机的水流量不超过标定上限值，风扇转速不超过标定值。
[0140]
优选的，所述预先构建的第二神经网络的获取过程包括：
[0141]
将供冷系统历史控制参数作为初始attention-tcn网络输入层训练数据，将供冷系统损耗作为初始attention-tcn网络输出层训练数据，对初始attention-tcn网络进行训练，得到所述预先构建的第二神经网络。
[0142]
实施例3
[0143]
基于同一种发明构思，本发明还提供了一种计算机设备，该计算机设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor、dsp)、专用集成电路(application specificintegrated circuit，asic)、现成可编程门阵列(field-programmable gatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能，以实现上述实施例中一种供冷系统多机组协同优化方法的步骤。
[0144]
实施例4
[0145]
基于同一种发明构思，本发明还提供了一种存储介质，具体为计算机可读存储介质(memory)，所述计算机可读存储介质是计算机设备中的记忆设备，用于存放程序和数据。
可以理解的是，此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质，当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速ram存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中一种供冷系统多机组协同优化方法的步骤。
[0146]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0147]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0148]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0149]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0150]
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。